Justus Benning
Refine
Document Type
- Book (3)
- Part of a Book (3)
- Conference Proceeding (5)
- Contribution to a Periodical (5)
- Master's Thesis (1)
- Internet Paper (2)
- Working Paper (5)
Language
- German (17)
- English (6)
- Multiple languages (1)
Is part of the Bibliography
- no (24)
Keywords
- 01 (1)
- 02 (2)
- 03 (1)
- ADAM (2)
- ADM-Systeme (1)
- AI (2)
- Additive Fertigung (1)
- Auto-ML (2)
- Big Data (2)
- Blockchain (1)
Institute
Die EU-Kommission ist dabei, eine Datenökonomie aufzubauen. Diese soll bis 2028 ein zusätzliches Bruttoinlandsprodukt von 270 Milliarden Euro generieren. Speziell für ein Land wie Deutschland, das über keine nennenswerten Bodenschätze verfügt, klingt das zunächst einmal lukrativ. Eine solche Datenökonomie wird aber nicht nur einen neuen Markt, neue Akteure und neue Geschäftsmodelle hervorbringen. Sie greift auch tief in das aktuelle Verständnis der Hersteller von Maschinen und Anlagen ein, wie mit Daten aus ihren Maschinen umgegangen werden soll, und zwingt sie zum Umdenken. Der juristische Hebel zur Schaffung der Datenökonomie, der EU-Data-Act, macht neue und verpflichtende Vorgaben zur technischen Gestaltung von Maschinen und Anlagen und verschafft deren Nutzer:innen ein Zugriffsrecht auf Maschinendaten.
Crisis situations can lead to extreme consequences for society and the economy, such as the disruption of supply chains and the collapse of critical infrastructure. The challenge for optimal crisis preparation lies in the unpredictability of causes, duration and scope, and severity. AI-based resilience services can aid in crisis preparation by providing software-based warnings, recommendations, and countermeasures. The aim of this paper is to present a method for evaluating such services in terms of their usefulness and acceptance. A questionnaire is presented, and the results of its piloting phase are disseminated. With these results, existing and projected AI-based services for crisis prevention can be evaluated.
Anwendungsfälle wie intelligente Routenoptimierung und fortschrittliche Simulationsalgorithmen repräsentieren das riesige Einsatzspektrum von Methoden der künstlichen Intelligenz. Steigende Anforderungen an Liefertermintreue, Flexibilität und Transparenz wie bspw. Emissionsverfolgung, erfordern zunehmend den Einsatz von KI. Die Nutzung dieser Schlüsseltechnologie und die Hebung der Potenziale scheitern oft an der Komplexität in Bezug auf die Eingrenzung und Identifikation von wirtschaftlich relevanten Anwendungsfällen. Unternehmen müssen den Business Fit zwischen den wirtschaftlichen Erfolgsaussichten und den dafür benötigten digitalen Bausteinen herstellen. Mit dem Digital-Architecture Management lassen sich die relevanten KI-basierten Anwendungsfälle identifizieren und eine Roadmap aufbauen, um die datenbasierte Entscheidungsfähigkeit in der Logistik zu verbessern.
Smart-Data-Management
(2022)
Durch die vernetzte Digitalisierung stehen Unternehmen mehr Daten zur Verfügung als je zuvor. Die Tendenz ist dabei steigend und ein Ende der Entwicklung nicht abzusehen. Gleichzeitig wirken höhere Kundenanforderungen und ein globalisiertes Wettbewerbsumfeld spürbar auf die produzierende Industrie ein. Kompetenzen wie individualisierte Produktentwicklung, nachhaltige Kundenbindung und ein einzigartiges Wertversprechen gewinnen zunehmend an Relevanz. In diesem Spannungsfeld stellt sich die Frage, wie das Potenzial der stetig wachsenden Rohdatenmengen genutzt werden kann, um sich auf dem Markt von Mitstreitern abzusetzen.
Die Inhalte des Kapitels ‚Smart-Data-Management‘ sollen dazu dienen, produzierende Unternehmen zu befähigen, durch datenbasierte Anwendungen produktive und vorausschauende Entscheidungen zu treffen. Dabei kann der Mehrwert in einer gesteigerten Reaktionsgeschwindigkeit in Bezug auf externe Effekte liegen, aus der Verbesserung bestehender Unternehmensprozesse hervorgehen oder sich in neuen, durch Künstliche Intelligenz (KI) erschlossenen Geschäftsfeldern zeigen.
Dieses Kapitel schließt sich an die Themenstellungen der Informationslogistik (Kap. 8) und des Projektmanagements (Kap. 10) an und fokussiert die notwendigen Schritte zur erfolgreichen Umsetzung von datenbasierter Wertschöpfung. Es werden Trendthemen wie Big Data, KI und Maschinelles Lernen aufgegriffen und im Zuge dessen ein Projektvorgehensmodell vorgestellt, das auf das Management von Smart Data zugeschnitten ist.
Die digitale Transformation in Unternehmen bewirkt einen stetigen Anstieg der Datenmengen auf allen Unternehmensebenen. Die Nutzung dieser Daten und deren Veredlung zu Informationen gestalten sich aufgrund der historisch gewachsenen IT-Komplexität jedoch zunehmend als strukturelle und organisatorische Herausforderung. Das Potenzial der digitalen Transformation, schnellere und bessere Entscheidungen auf Basis von Analysen der vorliegenden Datenbasis zu treffen, bleibt damit oftmals hinter den Erwartungen zurück. Unternehmen sind daher gefordert, Strukturen und Fähigkeiten zur Beherrschung der Ressource Information zu gestalten. Die Informationslogistik stellt einen essenziellen Baustein dar, um interne und externe Informationsflüsse effektiv und effizient nutzbar zu machen.
Methods of machine learning (ML) are notoriously difficult for enterprises to employ productively. Data science is not a core skill of most companies, and acquiring external talent is expensive. Automated machine learning (Auto-ML) aims to alleviate this, democratising machine learning by introducing elements such as low-code / no-code functionalities into its model creation process. Multiple applications are possible for Auto-ML, such as Natural Language Processing (NLP), predictive modelling and optimization. However, employing Auto-ML still proves difficult for companies due to the dynamic vendor market: The solutions vary in scope and functionality while providers do little to delineate their offerings from related solutions like industrial IoT-Platforms. Additionally, the current research on Auto-ML focuses on mathematical optimization of the underlying algorithms, with diminishing returns for end users. The aim of this paper is to provide an overview over available, user-friendly ML technology through a descriptive model of the functions of current Auto-ML solutions. The model was created based on case studies of available solutions and an analysis of relevant literature. This method yielded a comprehensive function tree for Auto-ML solutions along with a methodology to update the descriptive model in case the dynamic provider market changes. Thus, the paper catalyses the use of ML in companies by providing companies and stakeholders with a framework to assess the functional scope of Auto-ML solutions.
Methods of machine learning (ML) are difficult for manufacturing companies to employ productively. Data science is not their core skill, and acquiring talent is expensive. Automated machine learning (Auto-ML) aims to alleviate this, democratizing machine learning by introducing elements such as low-code or no-code functionalities into its model creation process. Due to the dynamic vendor market of Auto-ML, it is difficult for manufacturing companies to successfully implement this technology. Different solutions as well as constantly changing requirements and functional scopes make a correct software selection difficult. This paper aims to alleviate said challenge by providing a longlist of requirements that companies should pay attention to when selecting a solution for their use case. The paper is part of a larger research effort, in which a structured selection process for Auto-ML solutions in manufacturing companies is designed. The longlist itself is the result of six case studies of different manufacturing companies, following the method of case study research by Eisenhardt. A total of 75 distinct requirements were identified, spanning the entire machine learning and modeling pipeline.
Künstliche Intelligenz (KI) hat als Technologie in den vergangenen Jahren Marktreife erlangt. Es existiert eine Vielzahl benutzerfreundlicher Produkte und Services, welche die Anwendung von KI im Alltag und im Unternehmen vereinfachen. Die Herausforderung, vor denen Anwendende, gerade im betriebswirtschaftlichen Kontext, stehen, ist nicht die technische Machbarkeit einer KI-Applikation, sondern deren organisatorisch und rechtlich zulässige Gestaltung. Zu einer zunehmenden Dynamik in der Gesetzgebung kommt ein gesellschaftliches Interesse an der Kontrolle und Transparenz über die für KI-Modelle erhobenen Daten. Die Diskussion über Datensouveränität im geschäftlichen und privaten Alltag rückt mehr und mehr in das Zentrum der öffentlichen Aufmerksamkeit.
Datenbasierte KI-Anwendungen stehen damit in einem Spannungsfeld zwischen den Potenzialen, die das Erheben und Teilen von Daten über Unternehmensgrenzen hinweg bietet, und der Herausforderung, die Datensouveränität der involvierten Personen zu wahren. Die vorliegende Studie soll erstens über die Auswirkungen der Datensouveränität und die damit verbundenen aktuellen und kommenden Regularien auf KI-Anwendungsfälle aufklären. Dafür wurden Expertinnen und Experten aus den Bereichen Recht, KI- und Organisationsforschung befragt. Zweitens zeigt die Studie Potenziale und Best Practices von KI-Anwendungsfällen mit überbetrieblichem Datenaustausch auf. Dafür wurden Fallstudien in Unternehmen durchgeführt, die bereits erfolgreich Datenaustausch in ihre Geschäftsmodelle integriert haben, um ihre KI-Applikationen zu betreiben und zu verbessern.
Networked digitalisation as an enabler for smart products and data-based business models presents companies with numerous and diverse challenges on their way through the digital transformation. Various reference architecture models have been developed in recent years to support these companies. A detailed analysis of these and in particular their use by companies quickly showed that currently existing reference models have major weaknesses in their practical suitability. With the Aachen Digital Architecture Management (ADAM), a framework was developed that specifically addresses the weaknesses of existing reference architectures and specifically takes up their strengths. As a holistic model, specially developed for use by companies, ADAM structures the digital transformation of companies in the areas of digital infrastructure and business development starting from customer requirements. Systematically, companies are enabled to drive the design of the digital architecture, taking into account design fields. The description of the design fields offers a detailed insight into the essential tasks on the way to a digitally networked company. The model is not only a structuring aid, but also contains a construction kit with the design fields to configure the procedure in the digital transformation. The procedure differentiates between the development of the digitalisation strategy and the implementation of the digital architecture. Three different case studies also show how ADAM is used in industry, what structuring support it can provide and how the digital transformation can be configured. The breadth and depth of ADAM enable companies to take the path of digital transformation systematically and in a structured manner, without ignoring the value-creating components of digitalisation. This qualifies ADAM as a sustainability-oriented framework, as it places the economic scaling, needs-based adaptation and future-oriented robustness of solution modules in the focus of digital transformation.
